| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 图清单 | 第11页 |
| 表清单 | 第11-12页 |
| 1 绪论 | 第12-14页 |
| ·选题背景和研究意义 | 第12-13页 |
| ·本文的主要工作 | 第13-14页 |
| 2 预备知识 | 第14-18页 |
| ·基本记号 | 第14页 |
| ·几个基本概念 | 第14-15页 |
| ·神经网络(Neural Networks) | 第15-16页 |
| ·支持向量机(Support Vector Machine, SVM)分类 | 第16-17页 |
| ·回归问题(Regression) | 第17页 |
| ·压缩感知(Compressed Sensing, CS) | 第17-18页 |
| 3 基于神经网络的最小平方回归学习算法的泛化误差估计 | 第18-27页 |
| ·引言 | 第18页 |
| ·回归学习与神经网络 | 第18-19页 |
| ·基于神经网络的最小平方回归学习算法的逼近误差估计 | 第19-21页 |
| ·泛化误差估计 | 第21-26页 |
| ·结论 | 第26-27页 |
| 4 基于神经网络与混合样本的最小平方正则回归学习算法的泛化误差估计 | 第27-38页 |
| ·引言 | 第27-28页 |
| ·预备知识 | 第28-29页 |
| ·强混合样本 | 第28页 |
| ·神经网络与正则算法 | 第28-29页 |
| ·正则误差估计 | 第29-30页 |
| ·泛化误差估计 | 第30-37页 |
| ·结论 | 第37-38页 |
| 5 压缩回归学习算法的泛化误差估计 | 第38-50页 |
| ·引言 | 第38-39页 |
| ·回归学习与压缩空间 | 第39-41页 |
| ·压缩回归学习的误差估计 | 第41-49页 |
| ·压缩回归学习的逼近误差 | 第41-43页 |
| ·压缩回归学习的样本误差 | 第43-49页 |
| ·泛化界估计 | 第49页 |
| ·结论 | 第49-50页 |
| 6 基于马尔科夫链样本的压缩分类学习算法的泛化误差估计 | 第50-65页 |
| ·引言 | 第50-51页 |
| ·预备知识 | 第51-53页 |
| ·一致马尔科夫链样本、数据域、压缩域 | 第51-52页 |
| ·软间隔支持向量机分类器 | 第52-53页 |
| ·压缩分类学习的一些基本结论 | 第53-59页 |
| ·压缩分类学习的可能性 | 第59-61页 |
| ·实验 | 第61-64页 |
| ·结论 | 第64-65页 |
| 7 研究总结和进一步需要开展的工作 | 第65-66页 |
| ·研究总结 | 第65页 |
| ·进一步需要开展的工作 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 作者简历 | 第69页 |
